DeepSeek-R1 论文解读 —— 强化学习大语言模型新时代来临？

摘要：近年来，人工智能（AI）领域发展迅猛，大语言模型（LLMs）为通用人工智能（AGI）的发展开辟了道路。OpenAI 的 o1 模型表现非凡，它引入的创新性推理时缩放技术显著提升了推理能力，不过该模型是闭源的。

近年来，人工智能（AI）领域发展迅猛，大语言模型（LLMs）为通用人工智能（AGI）的发展开辟了道路。OpenAI 的 o1 模型表现非凡，它引入的创新性推理时缩放技术显著提升了推理能力，不过该模型是闭源的。

DeepSeek-R1 paper title (论文下载链接见文末)

今天，我们深入探讨由 DeepSeek 发布的突破性研究论文，该论文介绍了 DeepSeek-R1。这篇题为《DeepSeek-R1：通过强化学习激发大语言模型的推理能力》的论文，展示了一种前沿的开源推理模型，以及使用大规模强化学习技术训练此类模型的详细方法。

在深入探讨这篇论文之前，让我们简要回顾一下大语言模型的训练过程。通常，大语言模型要经过三个主要训练阶段：

预训练：在这个阶段，大语言模型在大量文本和代码上进行预训练，以学习通用知识。这一步有助于模型熟练预测序列中的下一个标记。例如，给定 “write a bedtime _” 这样的输入，模型可以用 “story” 等合理的词补全。然而，预训练后，模型在遵循人类指令方面仍存在困难，下一阶段将解决这个问题。监督微调：在这个阶段，模型在指令数据集上进行微调。数据集中的每个样本都有一个指令 - 响应配对组成，其中响应作为标签。经过这个阶段，模型在遵循指令方面会表现得更好。强化学习：大语言模型利用反馈进一步优化。一种有效的方法是人类反馈强化学习（RLHF），即根据人类反馈训练模型。但收集大规模、高质量的人类反馈，尤其是针对复杂任务，颇具挑战。因此，另一种常用方法是人工智能反馈强化学习（RLAIF），由人工智能模型提供反馈。要使 RLAIF 有效工作，需要一个能力强大的模型来提供准确反馈。

Training DeepSeek-R1-Zero using only RL in post-training, without SFT

本文所探讨的研究省略或部分省略了监督微调阶段。具体来说，为了训练论文中提出的首个模型 DeepSeek-R1-Zero，我们从一个名为 DeepSeek-V3-Base 的预训练模型开始，它有 6710 亿个参数。监督微调阶段被完全省略。为了大规模进行强化学习，研究采用了一种基于规则的强化学习方法，而非标准的依靠人类或人工智能反馈的强化学习方式。

GRPO samples multiple outputs for a given output, and instructs the model to prefer the best one, using reward

所使用的强化学习方法称为组相对策略优化（GRPO），由 DeepSeek 内部开发。

给定一个待训练的模型和一个输入问题，将输入送入模型，会采样得到一组输出。每个输出都包含推理过程和答案。GRPO 方法观察这些采样输出，并通过使用预定义规则为每个输出计算奖励，来训练模型生成更优的选项：

准确性：一组规则用于计算准确性奖励。例如，对于有确定答案的数学问题，我们可以确切检查模型给出的最终答案是否正确。对于有预定义测试用例的代码问题，编译器会根据测试用例生成反馈。格式：另一类规则用于创建格式奖励。在论文中的下图里，我们可以看到模型被要求如何响应，其推理过程在标签内，答案在标签内。格式奖励确保模型遵循这种格式。

The model is instructed to adhere to a certain format, generating its reasoning process within think tags

这种基于规则的机制不使用神经模型生成奖励，简化并降低了训练过程的成本，使其大规模应用成为可能。此外，研究人员发现奖励模型可能会受到奖励作弊问题的影响，即模型找到一种漏洞或意外方式来最大化奖励，但这与预期目标并不相符。

现在，让我们来探究一下 DeepSeek-R1-Zero 模型的一些性能表现。

DeepSeek-R1-Zero performance comparison with OpenAI o1

在论文中的上表里，我们看到了 DeepSeek-R1-Zero 与 OpenAI 的 o1 在推理相关基准测试中的比较。令人印象深刻的是，DeepSeek-R1-Zero 与 o1 相当，在某些情况下甚至超越了它。论文中下面这张有趣的图展示了在 AIME 数据集上训练期间的改进过程。值得注意的是，AIME 上的平均一次通过率大幅提升，从最初的 15.6% 跃升至令人惊叹的 71.0%，达到了与 OpenAI 的 o1 相当的水平！

Self-Evolution Process of DeepSeek-R1-Zero

论文的一个关键发现是模型的自我进化过程，如上图所示。x 轴表示训练步数，y 轴表明随着训练的进行，模型的响应长度增加。通过强化学习，模型在解决推理任务时自然学会分配更多思考时间。令人惊奇的是，这一过程无需任何外部调整。

如果上述内容还不够令人称奇，论文中还提到了 DeepSeek-R1-Zero 的另一个有趣现象 ——“顿悟时刻”。论文中的以下示例展示了这一现象。给定一道数学题，模型开始推理过程。然而，在某个时刻，模型开始重新评估其解决方案。模型学会重新评估其初始方法，并在必要时进行自我纠正。这种非凡的能力在强化学习训练过程中自然显现。

The aha moment where the models learn to reevaluate its reasoning

现在，我们来讨论第二个模型 DeepSeek-R1 的训练过程。但首先，既然我们刚刚看到了 DeepSeek-R1-Zero 卓越的能力，为什么还需要第二个模型呢？

主要有两个原因：

可读性问题：DeepSeek-R1-Zero 的输出往往可读性较差。语言一致性问题：它经常在单个回答中混合多种语言。

上述问题使得 DeepSeek-R1-Zero 的用户体验欠佳。有趣的是，一项消融研究表明，引导模型使用单一语言会略微损害其性能。与通常使用单一语言的人类不同，该模型通过使用多种语言能更好地表达自己，这一点令人着迷。

为了解决这些问题，DeepSeek-R1 采用四阶段流程进行训练：

冷启动（阶段 1）：从预训练模型 DeepSeek-V3-Base 开始，模型在从 DeepSeek-R1-Zero 收集的少量结果数据集上进行监督微调。这些结果经过验证，质量高且可读性强。这个数据集包含数千个样本，规模相对较小。在这个小规模高质量数据集上进行监督微调，有助于 DeepSeek-R1 缓解初始模型中存在的可读性问题。推理强化学习（阶段 2）：这个阶段应用与前一个模型相同的大规模强化学习方法，以提升模型的推理能力。具体来说，在编程、数学、科学和逻辑推理等任务中，这些任务有明确的解决方案，可为强化学习过程定义奖励规则。拒绝采样和监督微调（阶段 3）：在这个阶段，使用阶段 2 的模型检查点生成大量样本。通过拒绝采样，只保留正确且可读的样本。此外，使用生成式奖励模型 DeepSeek-V3 来决定保留哪些样本。这个阶段还包含了部分 DeepSeek-V3 的训练数据。然后，模型在这个数据集上进行监督微调。这个数据集不仅包含推理相关的问题，还提升了模型在更多领域的能力。多样化强化学习阶段（阶段 4）：这是最后一个阶段，包含多样化的任务。对于像数学这样适用的任务，使用基于规则的奖励。对于其他任务，由大语言模型提供反馈，使模型符合人类偏好。

此外，利用阶段 3 构建的数据集对各种较小的开源模型进行了提炼，提供了具有高推理能力的较小规模替代模型。